VectifyAI / PageIndex

Problem: 开发者需要从数百页的技术手册、法律合同或学术论文中精准查找特定信息，但传统向量检索经常返回语义相似但不相关的片段。

Solution: 使用PageIndex为文档构建层次化树状索引，让LLM基于推理在树中搜索，像专家一样定位到真正相关的章节，而非依赖向量相似度。

Example: 从一份300页的软件架构设计文档中，准确回答“系统在高峰期的容错机制是如何设计的？”，避免返回泛泛而谈的“系统设计”章节。

Problem: 开发者处理结构清晰的文档（如带章节的PDF）时，传统RAG的固定长度分块会破坏文档的自然逻辑结构，影响检索准确性。

Solution: PageIndex无需分块，直接按文档的原始章节结构（如标题、子标题）构建索引，保持语义完整性，实现更符合人类阅读习惯的检索。

Example: 处理一份医学研究报告，检索“实验组在第三阶段的副作用数据”，系统能直接定位到“结果 -> 第三阶段 -> 不良反应”这一节，而不是返回一个可能截断该信息的分块。

Problem: 开发者希望构建一个轻量、易部署的文档问答应用，但引入和维护单独的向量数据库（如Pinecone、Weaviate）增加了复杂性和成本。

Solution: PageIndex完全无需向量数据库，仅依赖LLM的推理能力和文档的树状索引即可实现智能检索，简化了技术栈和部署流程。

Example: 在资源受限的边缘服务器或简单的云函数中，快速部署一个针对内部技术文档的问答助手，无需搭建和运维额外的数据库服务。

Problem: 开发者需要处理扫描版PDF或图片格式的文档，但OCR识别可能出错，且传统方法需要先OCR再向量化，流程繁琐。

Solution: 利用PageIndex的Vision-based工作流，可直接基于PDF页面图像进行推理检索，无需OCR步骤，简化了对非文本格式文档的处理。

Example: 直接上传一份扫描版的旧版产品说明书图片，询问“第5章提到的安全警告是什么？”，系统能通过视觉推理在图像索引中找到对应位置。